نود روز اول در یک پروژه دادهمحور یا هوش مصنوعی، زمانی برای ساخت سیستمهای پیچیده و خودکارسازی کامل نیست. این سه ماه صرفاً سه خروجی مشخص دارد: سنجش کیفیت واقعی دادهها، پیادهسازی یک مدل پایهای ساده برای سنجش امکانپذیری، و اندازهگیری ارزش مالی یا عملیاتی پروژه روی یک مسئله محدود.
اگر مشاور یا پیمانکاری به شما قول داد که در ۹۰ روز اول یک سیستم هوش مصنوعی جامع و بدون خطا تحویل میدهد، احتمالاً در حال فروش لایسنس نرمافزار است یا پیچیدگیهای داده در دنیای واقعی را ندیده است. خروجی واقعبینانه روز نودم، یک گزارش شفاف از وضعیت داده، یک خط لوله داده اولیه، و یک مدل آزمایشی است که نشان میدهد آیا ادامه سرمایهگذاری روی این مسئله توجیه اقتصادی دارد یا خیر.
۳۰ روز اول: ممیزی داده و تعریف شفاف مسئله
در یک ماه اول، بخش اصلی زمان صرف کارهایی میشود که اصلاً جذاب به نظر نمیرسند. تیم فنی باید زیرساختهای موجود را بررسی کند، دسترسیها را بگیرد و کیفیت دادههای خام را بسنجد. در اکثر مجموعههای ایرانی، دادهها در پایگاههای داده متعدد، فایلهای اکسل پراکنده یا سامانههای فروش ذخیره شدهاند که دادههای متناقض یا ثبتنشده فراوان دارند.
در این مرحله، کارهای زیر انجام میشود:
- بررسی سلامت دادهها شامل ارزیابی مقادیر مفقود، دادههای تکراری و ناهماهنگی در فرمتها
- نگاشت جریان داده از نقطه ثبت اولیه تا دیتابیسهای عملیاتی
- تبدیل مسئله مبهم مدیریتی به یک مسئله فنی شفاف با شاخص عددی
- تعیین دقیق متغیر هدف و شاخص سنجش موفقیت بر اساس سود یا کاهش هزینه
بزرگترین خطای مدیران در این ماه، تعجیل برای دیدن خروجی بصری است. اگر داده خامی که وارد مدل میشود کثیف یا ناقص باشد، هر مدلی که روی آن ساخته شود خروجی اشتباه تولید خواهد کرد.
۳۰ روز دوم: ساخت خط لوله اولیه و مدل پایه
از روز سیام تا شصتم، تمرکز روی اتصال منابع داده و ساخت اولین مدل ساده است. در این فاز نیازی به استفاده از شبکههای عصبی عمیق یا معماریهای پیچیده نیست. هدف این است که یک خط لوله داده حداقل ساخته شود که داده را استخراج، تمیز و آماده پردازش کند.
اقدامات اصلی در ماه دوم عبارتند از:
- ایجاد خط لوله داده ساده برای استخراج و یکپارچهسازی دادهها از منابع اصلی
- ساخت یک مدل پایه مانند الگوریتمهای رگرسیون یا درخت تصمیم ساده یا حتی قوانین شرطی
- مقایسه عملکرد مدل پایه با روند سنتی یا تصادفی موجود در شرکت
- شناسایی شکافهای دادهای که در فاز اول مشخص نشده بودند
مدل پایه به ما نشان میدهد که آیا در دادههای موجود سیگنال قابل اتکایی برای پیشبینی یا بهینهسازی وجود دارد یا خیر. اگر یک مدل ساده نتواند بهبودی نسبت به روش سنتی ایجاد کند، مدلهای پیچیدهتر هم معجزه نخواهند کرد.
۳۰ روز سوم: استقرار آزمایشی و ارزیابی واقعی
در ماه سوم، مدل ساختهشده روی یک نمونه محدود از دادههای واقعی یا به صورت سایه در کنار سیستم موجود اجرا میشود. هدف این است که خروجیهای مدل در محیط عملیاتی ارزیابی شوند، نه فقط روی دادههای تاریخی در محیط آزمایشگاهی.
در این مرحله موارد زیر بررسی و اجرا میشوند:
- اجرای مدل روی دادههای جدید و ارزیابی خطا در شرایط واقعی
- ارزیابی خروجیها توسط تیم عملیاتی یا بازرگانی برای سنجش منطقی بودن نتایج
- محاسبه اولیه بازگشت سرمایه و تخمین هزینههای توسعه و نگهداری آینده
- تدوین سند معماری فاز توسعه و تصمیمگیری درباره ادامه یا توقف پروژه
در پایان روز نودم، شما باید نتایج ملموس داشته باشید. برای مثال بدانید که الگوریتم پیشبینی تقاضا توانسته خطای پیشبینی را از ۳۵ درصد به ۲۲ درصد کاهش دهد و این کاهش خطا معادل چه مقداری کاهش هزینه انباشت کالا در انبار است.
چه زمانی باید پروژه را در روز نودم متوقف کرد
همه پروژههای داده به فاز توسعه نهایی نمیرسند و متوقف کردن یک پروژه ناتوان در روز نودم، یک موفقیت مدیریتی محسوب میشود چون جلوی ضرر بیشتر را میگیرد. اگر در پایان این دوره با شرایط زیر مواجه شدید، ادامه سرمایهگذاری اشتباه است:
- دادههای تاریخی به قدری ناقص یا اشتباه باشند که نیاز به اصلاح فرآیند ثبت داده به مدت شش ماه وجود داشته باشد
- بهبود حاصل از مدل نسبت به تصمیمگیری انسانی یا فرمولهای ساده اکسل، هزینه توسعه هوش مصنوعی را پوشش ندهد
- ذینفعان عملیاتی فرآیند، وقت کافی برای بررسی خروجیها و ارائه بازخورد نگزارند
- زیرساختهای سختافزاری یا نرمافزاری سازمان توانایی پشتیبانی از یکپارچهسازی مدل را نداشته باشند
گام بعدی برای شروع
برای شروع یک پروژه دادهمحور، لازم نیست از همان روز اول بودجه بزرگی برای توسعه زیرساخت هوش مصنوعی تخصیص دهید. ابتدا مسئلهای مشخص با اثر مالی ملموس انتخاب کنید که دادههای مرتبط با آن حداقل به مدت یک سال ثبت شده باشند.
در جلسه اولیه با تیم فنی یا مشاور، به جای پرسش درباره نوع تکنولوژی یا الگوریتم، سه سوال کلیدی بپرسید: چه دادههایی در حال حاضر داریم، خروجی ملموس روز نودم چیست، و چطور نرخ بازگشت سرمایه را در پایان ماه سوم اندازه میگیریم. جواب شفاف به این سه سوال، مرز بین یک پروژه داده موفق و یک پروژه نمایشی پرهزینه است.